CN112734470A - 基于客户偏好的电子劵推送方法及装置 - Google Patents
基于客户偏好的电子劵推送方法及装置 Download PDFInfo
- Publication number
- CN112734470A CN112734470A CN202110007703.7A CN202110007703A CN112734470A CN 112734470 A CN112734470 A CN 112734470A CN 202110007703 A CN202110007703 A CN 202110007703A CN 112734470 A CN112734470 A CN 112734470A
- Authority
- CN
- China
- Prior art keywords
- user
- merchant
- commodity
- characteristic data
- electronic ticket
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013145 classification model Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0239—Online discounts or incentives
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明属于大数据技术领域,本发明提供了一种基于客户偏好的电子劵推送方法及装置,所述基于客户偏好的电子劵推送方法包括:获取用户特征数据、商品特征数据以及商户特征数据;利用所述用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端。本发明结合机器学习技术,可实现模型的自学习和快速迭代优化,并提升客户对于电子券的使用偏好的分析预测效果,智能推荐电子券至用户,优化提升用户体验,最终促进营销。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种基于客户偏好的电子劵推送方法及装置。
背景技术
现有技术中的电子券派发方法,一般分为两种:第一,在店铺页面或商品购买页面,提示客户领取链接,其弊端是当客户去浏览商品时才能发现该商品在进行电子券促销活动,不具备主动服务客户以及促进营销的能力;第二,不分客户需求,不分商品,无差别地给客户推送电子券,虽有主动出击服务客户的理念,但没有精准定位客户的需求,收效甚微。
另一方面,在电子券发放的过程中,市场要应对“羊毛党”等外部攻击风险,同时也存在应对“大流量、高并发”的“秒杀”等情况的技术实现的压力,综上所述,如何合理的派发电子劵至客户是亟需解决的问题。
发明内容
本发明属于大数据技术领域,针对现有技术中的问题,本发明结合机器学习技术,可实现模型的自学习和快速迭代优化,并提升客户对于电子券的使用偏好的分析预测效果,智能推荐电子券至用户,优化提升用户体验,促进营销,增加成交量。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种基于客户偏好的电子劵推送方法,包括:
获取用户特征数据、商品特征数据以及商户特征数据;
利用所述用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端。
一实施例中,建立所述朴素贝叶斯分类模型包括以下步骤:
基于朴素贝叶斯算法,建立所述朴素贝叶斯分类模型的分类器;
根据历史用户特征数据、历史商品特征数据以及历史商户特征数据,训练所述分类器;
根据训练结果以及预设训练阈值建立所述朴素贝叶斯分类模型。
一实施例中,所述利用所述用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端,包括:
将所述用户特征数据、商品特征数据以及商户特征数据输入至所述朴素贝叶斯分类模型中,以生成所述用户购买商户的商品的概率值;
根据所述概率值推送所述电子券至所述客户终端。
一实施例中,所述用户特征数据包括:用户画像数据以及用户消息特征数据,其中,所述用户画像数据包括:用户的年龄以及用户的性别;所述用户消息特征数据包括:用户资产与负债、用户授信风险、用户浏览商品的类型数、用户浏览各类商品的次数、用户收藏商品的类型数、用户收藏各类商品的次数、用户收藏商铺的类型数、用户收藏各类商铺的个数、用户购买各类商品的次数、用户购买商品的类型数、用户购买各类商品的费用以及用户购买各类商品的单价;
所述商品特征数据包括:商品ID、商品类别ID、商品的商户ID、商品的销量、商品的单价、商品被浏览量、商品的好评率、商品被收藏量、购买该商品的用户数、浏览该商品的用户数、收藏该商品的用户数、使用电子券购买该商品的量以及使用电子券购买该商品的用户数;
所述商户特征数据包括:商户ID、商户主营商品类别ID、商户的销量、商户各商品的单价、商户被浏览量、商户的好评率、商户被收藏量、购买该商户商品的用户数、浏览该商户商品的用户数、收藏该商户商品的用户数、商户所在地、商户商品、使用电子券购买该商户商品的量、使用电子券购买该商户商品的用户数。
第二方面,本发明提供一种基于客户偏好的电子劵推送装置,该装置包括:
数据获取单元,用于获取用户特征数据、商品特征数据以及商户特征数据;
电子券推送单元,用于利用所述用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端。
一实施例中,基于客户偏好的电子劵推送装置还包括:模型建立单元,用于建立所述朴素贝叶斯分类模型,所述模型建立单元包括:
分类器建立模块,用于初始模型建立基于朴素贝叶斯算法,建立所述朴素贝叶斯分类模型的分类器;
分类器训练模块,用于根据历史用户特征数据、历史商品特征数据以及历史商户特征数据,训练所述分类器;
模型建立模块,用于根据训练结果以及预设训练阈值建立所述朴素贝叶斯分类模型。
一实施例中,所述电子券推送单元包括:
概率值生成模块,用于将所述用户特征数据、商品特征数据以及商户特征数据输入至所述朴素贝叶斯分类模型中,以生成所述用户购买商户的商品的概率值;
电子券推送模块,用于根据所述概率值推送所述电子券至所述客户终端。
一实施例中,所述用户特征数据包括:用户画像数据以及用户消息特征数据,其中,所述用户画像数据包括:用户的年龄以及用户的性别;所述用户消息特征数据包括:用户资产与负债、用户授信风险、用户浏览商品的类型数、用户浏览各类商品的次数、用户收藏商品的类型数、用户收藏各类商品的次数、用户收藏商铺的类型数、用户收藏各类商铺的个数、用户购买各类商品的次数、用户购买商品的类型数、用户购买各类商品的费用以及用户购买各类商品的单价;
所述商品特征数据包括:商品ID、商品类别ID、商品的商户ID、商品的销量、商品的单价、商品被浏览量、商品的好评率、商品被收藏量、购买该商品的用户数、浏览该商品的用户数、收藏该商品的用户数、使用电子券购买该商品的量以及使用电子券购买该商品的用户数;
所述商户特征数据包括:商户ID、商户主营商品类别ID、商户的销量、商户各商品的单价、商户被浏览量、商户的好评率、商户被收藏量、购买该商户商品的用户数、浏览该商户商品的用户数、收藏该商户商品的用户数、商户所在地、商户商品、使用电子券购买该商户商品的量、使用电子券购买该商户商品的用户数。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现基于客户偏好的电子劵推送方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现基于客户偏好的电子劵推送方法的步骤。
从上述描述可知,本发明实施例提供一种基于客户偏好的电子劵推送方法及装置,首先获取用户特征数据、商品特征数据以及商户特征数据;接着,利用用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端。本发明基于客户的画像、交易往来、消费信息、客户行为、客户意见反馈等各类结构化和非结构化金融数据,以及各种外部数据为样本,借助机器学习技术,进行相关客户行为分析、识别挖掘等类型的建模和模型训练,实现模型的自学习和快速迭代优化,提升客户对于电子券的使用偏好的分析预测效果,智能推荐电子券,优化并提升用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种基于客户偏好的电子劵推送系统的第一种结构示意图;
图2为本申请实施例的一种基于客户偏好的电子劵推送系统的第二种结构示意图;
图3为本发明的实施例中基于客户偏好的电子劵推送方法的流程示意图一;
图4为本发明的实施例中基于客户偏好的电子劵推送方法的流程示意图二;
图5为本发明的实施例中步骤300的流程示意图;
图6为本发明的实施例中步骤200的流程示意图;
图7为本发明的具体实施方式中基于客户偏好的电子劵推送方法的流程示意图;
图8为本发明的具体实施方式中建立所述朴素贝叶斯分类模型的流程示意图;
图9为本发明的具体实施方式中利用朴素贝叶斯分类模型推送电子券至用户的流程示意图;
图10为本发明的实施例中基于客户偏好的电子劵推送装置的结构示意图一;
图11为本发明的实施例中基于客户偏好的电子劵推送装置的结构示意图一;
图12为本发明的实施例中模型建立单元的结构示意图;
图13为本发明的实施例中电子券推送单元的结构示意图;
图14为本发明的实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请提供一种基于客户偏好的电子劵推送系统,该系统包含有一基于客户偏好的电子劵推送装置,参见图1,该装置可以为一种服务器A1,该服务器A1可以与多个数据接收端B1通信连接,服务器A1还可以与多个数据库分别通信连接,或者如图2所示,这些数据库也可以之间设置在服务器A1中。其中,数据接收端B1用于接收用户特征数据、商品特征数据以及商户特征数据,其中:用户特征数据包括:用户画像数据以及用户消息特征数据,其中,用户画像数据包括:用户的年龄以及用户的性别;用户消息特征数据包括:用户资产与负债、用户授信风险、用户浏览商品的类型数、用户浏览各类商品的次数、用户收藏商品的类型数、用户收藏各类商品的次数、用户收藏商铺的类型数、用户收藏各类商铺的个数、用户购买各类商品的次数、用户购买商品的类型数、用户购买各类商品的费用以及用户购买各类商品的单价;商品特征数据包括:商品ID、商品类别ID、商品的商户ID、商品的销量、商品的单价、商品被浏览量、商品的好评率、商品被收藏量、购买该商品的用户数、浏览该商品的用户数、收藏该商品的用户数、使用电子券购买该商品的量以及使用电子券购买该商品的用户数;商户特征数据包括:商户ID、商户主营商品类别ID、商户的销量、商户各商品的单价、商户被浏览量、商户的好评率、商户被收藏量、购买该商户商品的用户数、浏览该商户商品的用户数、收藏该商户商品的用户数、商户所在地、商户商品、使用电子券购买该商户商品的量、使用电子券购买该商户商品的用户数。服务器A1在收取用户特征数据、商品特征数据以及商户特征数据之后,对对应的电子券进行实时预测,并将预测结果通过客户端C1显示给用户。
可以理解的是,数据接收端B1可以为一种数据接口,客户端C1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,进行基于客户偏好的电子劵推送的部分可以在如上述内容的服务器A1侧执行,即,如图1或图2所示的架构,也可以所有的操作都在客户端C1设备中完成。具体可以根据客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在客户端设备中完成,客户端设备还可以包括处理器,用于进行对基于客户偏好的电子劵推送结果的处理等操作。
上述的客户端C1设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与服务器的数据传输。服务器可以包括基于客户偏好的电子劵推送一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与基于客户偏好的电子劵推送服务器有通信链接的第三方服务器平台的服务器。的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
服务器与客户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,网络协议例如还可以包括在上述协议之上使用的RPC协议(RemoteProcedure Call Protocol,远程过程调用协议)、REST协议(Representational StateTransfer,表述性状态转移协议)等。
近年来,随着互联网购物消费高速发展,各大购物平台沉淀了海量的消费者数据。借助人工智能、机器学习技术对消费者数据进行大数据分析,对消费者进行画像,可深入了解客户,实现主动服务,主动出击。基于此,本发明的实施例提供一种基于客户偏好的电子劵推送方法的具体实施方式,参见图3,其具体包括如下内容:
步骤100:获取用户特征数据、商品特征数据以及商户特征数据。
步骤100中的用户特征数据包括:用户画像数据以及用户消息特征数据,其中,用户画像数据包括:用户的年龄以及用户的性别;用户消息特征数据包括:用户资产与负债、用户授信风险、用户浏览商品的类型数、用户浏览各类商品的次数、用户收藏商品的类型数、用户收藏各类商品的次数、用户收藏商铺的类型数、用户收藏各类商铺的个数、用户购买各类商品的次数、用户购买商品的类型数、用户购买各类商品的费用以及用户购买各类商品的单价;
商品特征数据包括:商品ID、商品类别ID、商品的商户ID、商品的销量、商品的单价、商品被浏览量、商品的好评率、商品被收藏量、购买该商品的用户数、浏览该商品的用户数、收藏该商品的用户数、使用电子券购买该商品的量以及使用电子券购买该商品的用户数;
商户特征数据包括:商户ID、商户主营商品类别ID、商户的销量、商户各商品的单价、商户被浏览量、商户的好评率、商户被收藏量、购买该商户商品的用户数、浏览该商户商品的用户数、收藏该商户商品的用户数、商户所在地、商户商品、使用电子券购买该商户商品的量、使用电子券购买该商户商品的用户数。
步骤200:利用所述用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端。
可以理解的是,朴素贝叶斯算法是机器学习中常用的一种智能分类算法,是一个基于假定样本中不同的特征属性对分类结果的影响是相互独立的情况下,对所研究问题计算其可能发生的概率。
与决策树模型相比,朴素贝叶斯分类器(Naive Bayes Classifier或NBC)发源于古典数学理论,有着坚实的数学基础,以及稳定的分类效率。同时,NBC模型所需估计的参数很少,对缺失数据不太敏感,算法也比较简单。理论上,NBC模型与其他分类方法相比具有最小的误差率。NBC的上述特性决定了其可以较好的应用于电子劵的推送技术。
进一步地,朴素贝叶斯方法是在贝叶斯算法的基础上进行了相应的简化,即假定给定目标值时属性之间相互条件独立。也就是说没有任一属性变量对于决策结果来说占有着较大的比重,也没有哪个属性变量对于决策结果占有着较小的比重。可以理解的是,在电子商务实际的应用场景中,朴素贝叶斯方法极大地简化了贝叶斯方法的复杂性。
从上述描述可知,本发明实施例提供一种基于客户偏好的电子劵推送方法,首先获取用户特征数据、商品特征数据以及商户特征数据;接着,利用用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端。本发明利用贝叶斯分类算法,结合机器学习技术,实现朴素贝叶斯分类模型的自学习和快速迭代优化,提升客户对于电子券的使用偏好的分析预测效果,智能推荐电子券,优化提升用户体验,促进营销,增加成交量。
一实施例中,参见图4,基于客户偏好的电子劵推送方法还包括:
步骤300:建立所述朴素贝叶斯分类模型。
一实施例中,参见图5,步骤300进一步包括:
步骤301:基于朴素贝叶斯算法,建立所述朴素贝叶斯分类模型的分类器;
步骤302:根据历史用户特征数据、历史商品特征数据以及历史商户特征数据,训练所述分类器;
步骤303:根据训练结果以及预设训练阈值建立所述朴素贝叶斯分类模型。
在步骤301至步骤303中,以购物平台消费者的客户画像、资产与负债、授信风险、交易往来、历史消费信息、客户行为、客户意见反馈等各类结构化和非结构化金融数据作为训练样本,计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估值,当该条件概率估值达到预设的训练阈值时,训练终止,此时的分类器作为最终的朴素贝叶斯分类模型。
一实施例中,参见图6,步骤200进一步包括:
步骤201:将所述用户特征数据、商品特征数据以及商户特征数据输入至所述朴素贝叶斯分类模型中,以生成所述用户购买商户的商品的概率值;
步骤202:根据所述概率值推送所述电子券至所述客户终端。
具体地,在步骤201以及步骤202中,当某商户或某商户开展电子券促销活动时,使用朴素贝叶斯分类模型对新数据进行处理,即该商品和所属商户的消费特征属性,以及客户的特征属性作为新数据,输出客户对该商品的消费行为预测。如果预测结果为“消费者会购买”,则通过手机银行、购物平台、微信公众号等渠道给相应客户推荐电子券领券链接。
一实施例中,所述用户特征数据包括:用户画像数据以及用户消息特征数据,其中,所述用户画像数据包括:用户的年龄以及用户的性别;所述用户消息特征数据包括:用户资产与负债、用户授信风险、用户浏览商品的类型数、用户浏览各类商品的次数、用户收藏商品的类型数、用户收藏各类商品的次数、用户收藏商铺的类型数、用户收藏各类商铺的个数、用户购买各类商品的次数、用户购买商品的类型数、用户购买各类商品的费用以及用户购买各类商品的单价;
所述商品特征数据包括:商品ID、商品类别ID、商品的商户ID、商品的销量、商品的单价、商品被浏览量、商品的好评率、商品被收藏量、购买该商品的用户数、浏览该商品的用户数、收藏该商品的用户数、使用电子券购买该商品的量以及使用电子券购买该商品的用户数;
所述商户特征数据包括:商户ID、商户主营商品类别ID、商户的销量、商户各商品的单价、商户被浏览量、商户的好评率、商户被收藏量、购买该商户商品的用户数、浏览该商户商品的用户数、收藏该商户商品的用户数、商户所在地、商户商品、使用电子券购买该商户商品的量、使用电子券购买该商户商品的用户数。
在一种具体实施方式中,本发明还提供基于客户偏好的电子劵推送定方法中的具体实施方式,参见图7。
步骤S1:获取用户特征数据、商品特征数据以及商户特征数据。
步骤S1中的用户特征数据包括:用户画像数据以及用户消息特征数据,其中,用户画像数据包括:用户的年龄以及用户的性别;用户消息特征数据包括:用户资产与负债、用户授信风险、用户浏览商品的类型数、用户浏览各类商品的次数、用户收藏商品的类型数、用户收藏各类商品的次数、用户收藏商铺的类型数、用户收藏各类商铺的个数、用户购买各类商品的次数、用户购买商品的类型数、用户购买各类商品的费用以及用户购买各类商品的单价;商品特征数据包括:商品ID、商品类别ID、商品的商户ID、商品的销量、商品的单价、商品被浏览量、商品的好评率、商品被收藏量、购买该商品的用户数、浏览该商品的用户数、收藏该商品的用户数、使用电子券购买该商品的量以及使用电子券购买该商品的用户数;商户特征数据包括:商户ID、商户主营商品类别ID、商户的销量、商户各商品的单价、商户被浏览量、商户的好评率、商户被收藏量、购买该商户商品的用户数、浏览该商户商品的用户数、收藏该商户商品的用户数、商户所在地、商户商品、使用电子券购买该商户商品的量、使用电子券购买该商户商品的用户数。
步骤S2:对用户特征数据、商品特征数据以及商户特征数据进行预处理。
优选地,需要对步骤S2中的用户特征数据、商品特征数据以及商户特征数据进行结构化处理。
具体地,由二维表结构来逻辑表达用户特征数据、商品特征数据以及商户特征数据,严格地遵循数据格式与长度规范,主要通过关系型数据库进行存储和管理。另外还可以对用户特征数据、商品特征数据以及商户特征数据进行归一化以及去除意外取值等处理。
步骤S3:建立所述朴素贝叶斯分类模型。
可以理解的是,朴素贝叶斯分类算法的思想基础包括:对于给出的待分类项,求解在此项出现的条件下各个类别出现的概率,哪个最大,则认为此待分类项属于哪个类别。
回到本具体应用实例,参见图8,给定一个数据集D,有k种可能的类别,记为Y={c1,c2,...,ck},其中有n个不同的属性影响D的分类,记为X={x1,x2,...,xn}。计算P(c1|X),P(c2|X),...,P(ck|X),如果P(ci|X)=max{P(c1|X),P(c2|X),...,P(ck|X)},则Di∈ci。如果各个特征属性是条件独立的,则根据贝叶斯定理,P(ci|X)=最终得到朴素贝叶斯分类器为:
接着对朴素贝叶斯分类器进行训练,具体地,以相应的购物平台消费者的客户画像、资产与负债、授信风险、交易往来、历史消费信息、客户行为、客户意见反馈等各类结构化和非结构化金融数据作为训练样本,计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计,并将结果记录。其输入是特征属性和训练样本,输出是朴素贝叶斯分类器。
优选地,训练过程包括:进行以下迭代操作,直至朴素贝叶斯分类模型的预测误差小于或等于预设误差,由下向上逐层训练朴素贝叶斯分类模型至n-1层,并将训练结果输入至朴素贝叶斯分类模型的第n层,得到第n层的训练结果;其中,n为朴素贝叶斯分类模型的训练总层数;根据第n层的训练结果及预设误差决定下一步的操作;当预测误差大于预设误差时,根据预测误差,由上向下逐层优化朴素贝叶斯分类模型至第1层。进一步地,由上向下逐层优化朴素贝叶斯分类模型至第1层,包括:由上向下逐层调整朴素贝叶斯分类模型中各层的可见层偏置、隐含层偏置及连接权重至第1层。
步骤S4:利用朴素贝叶斯分类模型推送电子券至用户。
首先确定用户的消费行为分类集合为:Y={消费者不会购买,消费者会购买},即消费者对各类商品和各个商品的购买可能性。然后将带预测的用户特征数据、商品特征数据、商户特征数据输入至朴素贝叶斯分类模型中,以预测对应的用户购买对应商品的概率,当概率大于预设值时,则判断用户将会“消费者会购买”,进而通过手机银行、购物平台、微信公众号等渠道给相应客户推荐电子券领券链接。参见图9。
基于同一发明构思,本申请实施例还提供了一种基于客户偏好的电子劵推送装置,可以用于实现上述实施例所描述的方法,如下面的实施例。由于基于客户偏好的电子劵推送装置解决问题的原理与基于客户偏好的电子劵推送方法相似,因此基于客户偏好的电子劵推送装置的实施可以参见基于客户偏好的电子劵推送方法实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现基于客户偏好的电子劵推送方法的基于客户偏好的电子劵推送装置的具体实施方式,参见图10,基于客户偏好的电子劵推送装置具体包括如下内容:
数据获取单元10,用于获取用户特征数据、商品特征数据以及商户特征数据;
电子券推送单元20,用于利用所述用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端。
一实施例中,参见图11,基于客户偏好的电子劵推送装置还包括:
模型建立单元30,用于建立所述朴素贝叶斯分类模型,参见图12,所述模型建立单元30包括:
分类器建立模块301,用于初始模型建立基于朴素贝叶斯算法,建立所述朴素贝叶斯分类模型的分类器;
分类器训练模块302,用于根据历史用户特征数据、历史商品特征数据以及历史商户特征数据,训练所述分类器;
模型建立模块303,用于根据训练结果以及预设训练阈值建立所述朴素贝叶斯分类模型。
一实施例中,参见图13,所述电子券推送单元20包括:
概率值生成模块201,用于将所述用户特征数据、商品特征数据以及商户特征数据输入至所述朴素贝叶斯分类模型中,以生成所述用户购买商户的商品的概率值;
电子券推送模块202,用于根据所述概率值推送所述电子券至所述客户终端。
一实施例中,所述用户特征数据包括:用户画像数据以及用户消息特征数据,其中,所述用户画像数据包括:用户的年龄以及用户的性别;所述用户消息特征数据包括:用户资产与负债、用户授信风险、用户浏览商品的类型数、用户浏览各类商品的次数、用户收藏商品的类型数、用户收藏各类商品的次数、用户收藏商铺的类型数、用户收藏各类商铺的个数、用户购买各类商品的次数、用户购买商品的类型数、用户购买各类商品的费用以及用户购买各类商品的单价;
所述商品特征数据包括:商品ID、商品类别ID、商品的商户ID、商品的销量、商品的单价、商品被浏览量、商品的好评率、商品被收藏量、购买该商品的用户数、浏览该商品的用户数、收藏该商品的用户数、使用电子券购买该商品的量以及使用电子券购买该商品的用户数;
所述商户特征数据包括:商户ID、商户主营商品类别ID、商户的销量、商户各商品的单价、商户被浏览量、商户的好评率、商户被收藏量、购买该商户商品的用户数、浏览该商户商品的用户数、收藏该商户商品的用户数、商户所在地、商户商品、使用电子券购买该商户商品的量、使用电子券购买该商户商品的用户数。
从上述描述可知,本发明实施例提供一种基于客户偏好的电子劵推送装置,首先获取用户特征数据、商品特征数据以及商户特征数据;接着,利用用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端。本发明基于客户的画像、交易往来、消费信息、客户行为、客户意见反馈等各类结构化和非结构化金融数据,以及各种外部数据为样本,借助机器学习技术,进行相关客户行为分析、识别挖掘等类型的建模和模型训练,实现模型的自学习和快速迭代优化,提升客户对于电子券的使用偏好的分析预测效果,智能推荐电子券,优化并提升用户体验。
本申请的实施例还提供能够实现上述实施例中的基于客户偏好的电子劵推送方法中全部步骤的一种电子设备的具体实施方式,参见图14,电子设备具体包括如下内容:
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204;
其中,处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信;通信接口1203用于实现服务器端设备、数据接收端以及客户端设备等相关设备之间的信息传输;
处理器1201用于调用存储器1202中的计算机程序,处理器执行计算机程序时实现上述实施例中的基于客户偏好的电子劵推送方法中的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤401:获取用户特征数据、商品特征数据以及商户特征数据;
步骤402:利用所述用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端。
本申请的实施例还提供能够实现上述实施例中的基于客户偏好的电子劵推送方法中全部步骤的一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的基于客户偏好的电子劵推送方法的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤401:获取用户特征数据、商品特征数据以及商户特征数据;
步骤402:利用所述用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (10)
1.一种基于客户偏好的电子劵推送方法,其特征在于,包括:
获取用户特征数据、商品特征数据以及商户特征数据;
利用所述用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端。
2.如权利要求1所述的电子劵推送方法,其特征在于,建立所述朴素贝叶斯分类模型包括以下步骤:
基于朴素贝叶斯算法,建立所述朴素贝叶斯分类模型的分类器;
根据历史用户特征数据、历史商品特征数据以及历史商户特征数据,训练所述分类器;
根据训练结果以及预设训练阈值建立所述朴素贝叶斯分类模型。
3.如权利要求2所述的电子劵推送方法,其特征在于,所述利用所述用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端,包括:
将所述用户特征数据、商品特征数据以及商户特征数据输入至所述朴素贝叶斯分类模型中,以生成所述用户购买商户的商品的概率值;
根据所述概率值推送所述电子券至所述客户终端。
4.如权利要求1所述的电子劵推送方法,其特征在于,
所述用户特征数据包括:用户画像数据以及用户消息特征数据,其中,所述用户画像数据包括:用户的年龄以及用户的性别;所述用户消息特征数据包括:用户资产与负债、用户授信风险、用户浏览商品的类型数、用户浏览各类商品的次数、用户收藏商品的类型数、用户收藏各类商品的次数、用户收藏商铺的类型数、用户收藏各类商铺的个数、用户购买各类商品的次数、用户购买商品的类型数、用户购买各类商品的费用以及用户购买各类商品的单价;
所述商品特征数据包括:商品ID、商品类别ID、商品的商户ID、商品的销量、商品的单价、商品被浏览量、商品的好评率、商品被收藏量、购买该商品的用户数、浏览该商品的用户数、收藏该商品的用户数、使用电子券购买该商品的量以及使用电子券购买该商品的用户数;
所述商户特征数据包括:商户ID、商户主营商品类别ID、商户的销量、商户各商品的单价、商户被浏览量、商户的好评率、商户被收藏量、购买该商户商品的用户数、浏览该商户商品的用户数、收藏该商户商品的用户数、商户所在地、商户商品、使用电子券购买该商户商品的量、使用电子券购买该商户商品的用户数。
5.一种基于客户偏好的电子劵推送装置,其特征在于,包括:
数据获取单元,用于获取用户特征数据、商品特征数据以及商户特征数据;
电子券推送单元,用于利用所述用户特征数据、商品特征数据、商户特征数据以及预先建立的朴素贝叶斯分类模型推送电子券至客户终端。
6.如权利要求5所述的电子劵推送装置,其特征在于,还包括:模型建立单元,用于建立所述朴素贝叶斯分类模型,所述模型建立单元包括:
分类器建立模块,用于初始模型建立基于朴素贝叶斯算法,建立所述朴素贝叶斯分类模型的分类器;
分类器训练模块,用于根据历史用户特征数据、历史商品特征数据以及历史商户特征数据,训练所述分类器;
模型建立模块,用于根据训练结果以及预设训练阈值建立所述朴素贝叶斯分类模型。
7.如权利要求6所述的电子劵推送装置,其特征在于,所述电子券推送单元包括:
概率值生成模块,用于将所述用户特征数据、商品特征数据以及商户特征数据输入至所述朴素贝叶斯分类模型中,以生成所述用户购买商户的商品的概率值;
电子券推送模块,用于根据所述概率值推送所述电子券至所述客户终端。
8.如权利要求5所述的电子劵推送装置,其特征在于,
所述用户特征数据包括:用户画像数据以及用户消息特征数据,其中,所述用户画像数据包括:用户的年龄以及用户的性别;所述用户消息特征数据包括:用户资产与负债、用户授信风险、用户浏览商品的类型数、用户浏览各类商品的次数、用户收藏商品的类型数、用户收藏各类商品的次数、用户收藏商铺的类型数、用户收藏各类商铺的个数、用户购买各类商品的次数、用户购买商品的类型数、用户购买各类商品的费用以及用户购买各类商品的单价;
所述商品特征数据包括:商品ID、商品类别ID、商品的商户ID、商品的销量、商品的单价、商品被浏览量、商品的好评率、商品被收藏量、购买该商品的用户数、浏览该商品的用户数、收藏该商品的用户数、使用电子券购买该商品的量以及使用电子券购买该商品的用户数;
所述商户特征数据包括:商户ID、商户主营商品类别ID、商户的销量、商户各商品的单价、商户被浏览量、商户的好评率、商户被收藏量、购买该商户商品的用户数、浏览该商户商品的用户数、收藏该商户商品的用户数、商户所在地、商户商品、使用电子券购买该商户商品的量、使用电子券购买该商户商品的用户数。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述基于客户偏好的电子劵推送方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至4任一项所述基于客户偏好的电子劵推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110007703.7A CN112734470A (zh) | 2021-01-05 | 2021-01-05 | 基于客户偏好的电子劵推送方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110007703.7A CN112734470A (zh) | 2021-01-05 | 2021-01-05 | 基于客户偏好的电子劵推送方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734470A true CN112734470A (zh) | 2021-04-30 |
Family
ID=75591132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110007703.7A Pending CN112734470A (zh) | 2021-01-05 | 2021-01-05 | 基于客户偏好的电子劵推送方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734470A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330741A (zh) * | 2017-07-07 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 分品类电子券使用预测方法、装置及电子设备 |
CN107424007A (zh) * | 2017-07-12 | 2017-12-01 | 北京京东尚科信息技术有限公司 | 一种构建电子券敏感度识别模型的方法和装置 |
CN107578281A (zh) * | 2017-08-31 | 2018-01-12 | 湖南大学 | 电子商务环境下用户优惠券行为预测方法及模型构建方法 |
CN109146580A (zh) * | 2018-09-30 | 2019-01-04 | 青岛大学 | 一种基于大数据分析的o2o优惠券分发方法及系统 |
CN110489642A (zh) * | 2019-07-25 | 2019-11-22 | 山东大学 | 基于行为特征分析的商品推荐方法、系统、设备及介质 |
CN111783873A (zh) * | 2020-06-30 | 2020-10-16 | 中国工商银行股份有限公司 | 基于增量朴素贝叶斯模型的用户画像方法及装置 |
-
2021
- 2021-01-05 CN CN202110007703.7A patent/CN112734470A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330741A (zh) * | 2017-07-07 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 分品类电子券使用预测方法、装置及电子设备 |
CN107424007A (zh) * | 2017-07-12 | 2017-12-01 | 北京京东尚科信息技术有限公司 | 一种构建电子券敏感度识别模型的方法和装置 |
CN107578281A (zh) * | 2017-08-31 | 2018-01-12 | 湖南大学 | 电子商务环境下用户优惠券行为预测方法及模型构建方法 |
CN109146580A (zh) * | 2018-09-30 | 2019-01-04 | 青岛大学 | 一种基于大数据分析的o2o优惠券分发方法及系统 |
CN110489642A (zh) * | 2019-07-25 | 2019-11-22 | 山东大学 | 基于行为特征分析的商品推荐方法、系统、设备及介质 |
CN111783873A (zh) * | 2020-06-30 | 2020-10-16 | 中国工商银行股份有限公司 | 基于增量朴素贝叶斯模型的用户画像方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11170433B2 (en) | Method and system for using machine learning techniques to make highly relevant and de-duplicated offer recommendations | |
JP6913241B2 (ja) | 信用力があると判定された消費者にローンを発行するシステムおよび方法 | |
US20220051282A1 (en) | Method and system for using machine learning techniques to identify and recommend relevant offers | |
JP6719727B2 (ja) | 購買行動分析装置およびプログラム | |
US20180165745A1 (en) | Intelligent Recommendation Method and System | |
US20210264448A1 (en) | Privacy preserving ai derived simulated world | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
Kim et al. | Customer churn prediction in influencer commerce: An application of decision trees | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
CN112528110A (zh) | 确定实体业务属性的方法及装置 | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
CN107741967A (zh) | 用于行为数据处理的方法、装置以及电子设备 | |
CN115935185A (zh) | 一种推荐模型的训练方法及装置 | |
CN109190027A (zh) | 多源推荐方法、终端、服务器、计算机设备、可读介质 | |
CN113516496A (zh) | 广告转化率预估模型构建方法、装置、设备及其介质 | |
CN111177581A (zh) | 一种基于多平台的社交电商网站商品推荐方法及装置 | |
CN114493786A (zh) | 一种信息推荐方法及装置 | |
CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
CN108510302A (zh) | 一种营销决策方法及交易服务器 | |
CN116186541A (zh) | 一种推荐模型的训练方法及装置 | |
Gao | Big Data analysis on E-commerce platform | |
US20120265588A1 (en) | System and method for recommending new connections in an advertising exchange | |
CN112734470A (zh) | 基于客户偏好的电子劵推送方法及装置 | |
CN113254775A (zh) | 一种基于客户浏览行为序列的信用卡产品推荐方法 | |
CN113449175A (zh) | 热点数据的推荐方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |